El descubrimiento de fármacos es un proceso muy largo, costoso y, a menudo, sin éxito. El progreso es generalmente lento, frustrante y laborioso, y por lo general toma de cinco a seis años en completarse.
En algunos casos, el tiempo promedio desde el descubrimiento hasta el lanzamiento de una molécula es de 10 a 12 años y, según Deloitte, el costo promedio del proceso de I + D de EE. UU. en 2018 fue de $ 2,168 mil millones por medicamento. Alrededor de un tercio del costo se gasta solo en la fase de descubrimiento de fármacos.
Además, de las 10.000 moléculas examinadas inicialmente, solo diez llegan a los ensayos clínicos. Para que un compuesto ingrese a los ensayos de Fase I, la probabilidad de éxito es ligeramente inferior al 10% y no ha aumentado en una década.
En consecuencia, el retorno esperado de la inversión (ROI) del desarrollo de fármacos disminuyó constantemente del 10,1 % en 2010 al 1,9 % en 2018. Además de los avances en genómica, síntesis química y otras técnicas de biología molecular, solo alrededor de un tercio de los 20 000- 30.000 enfermedades conocidas tienen tratamiento adecuado.
Por lo tanto, encontrar formas de mejorar la eficiencia y la rentabilidad de llevar nuevos medicamentos al mercado es imperativo para la industria farmacéutica y de la salud. Mejorar las tasas de éxito del descubrimiento y de los ensayos clínicos es fundamental para el futuro del desarrollo de fármacos.
Aquí es donde entra en juego el uso de técnicas de inteligencia artificial (IA) y aprendizaje automático (ML). Las soluciones de IA pueden mejorar la previsibilidad, la precisión y la velocidad del descubrimiento de fármacos y, en última instancia, acelerar la productividad de todo el proceso de I+D del fármaco. etapa de descubrimiento. Ellos pueden:
- Reduzca los plazos para el descubrimiento de fármacos y agilice el proceso de investigación
- Aumentar la precisión de las predicciones sobre la eficacia y seguridad de los medicamentos.
- Mejorar la oportunidad de diversificar los oleoductos de medicamentos
En los últimos años, muchas compañías biofarmacéuticas han estado adoptando una variedad de estrategias para integrar activamente la IA en el proceso de descubrimiento. Establecieron equipos multifuncionales de biólogos, químicos, ingenieros, informáticos, científicos de datos y expertos en inteligencia artificial para transformar la forma en que se descubren, desarrollan, prueban y comercializan los medicamentos.
Esta publicación analizará las 7 principales plataformas de descubrimiento de fármacos, impulsadas por inteligencia artificial y aprendizaje automático.
1. Plataforma benéfica
Benevolent Platform es una plataforma de descubrimiento de fármacos experimentales, creada por BenevolentAI, empresa emergente de desarrollo de fármacos con sede en el Reino Unido, que utiliza tecnologías de IA para ayudar a encontrar nuevos medicamentos para varias enfermedades graves, incluida la enfermedad de Parkinson.
La plataforma se centra en tres áreas clave, identificación de objetivos, diseño molecular y medicina de precisión. Benevolent Platform ingiere y analiza información biomédica y la combina con aprendizaje profundo de IA para crear un gráfico de conocimiento de biociencia. Permite a sus científicos encontrar nuevas formas de tratar enfermedades y personalizar medicamentos para los pacientes.
2. AtomNet
AtomNet es una plataforma de inteligencia artificial de Atomwise, con sede en EE. UU., que utiliza tecnología de inteligencia artificial para predecir afinidades de unión de proteínas a moléculas pequeñas y se enfoca en identificar terapias potenciales para cualquier objetivo de enfermedad. AtomNet es una estructura patentada hecha de redes neuronales convolucionales DL para el descubrimiento de hits y la identificación y optimización de compuestos principales.
AtomNet predice posibles curas con medicamentos utilizando supercomputadoras, IA y un algoritmo especializado que se ejecuta a través de millones de estructuras moleculares. Aprende las características tridimensionales de la unión molecular del fármaco al objetivo e identifica los discriminadores. La plataforma puede seleccionar éxitos con características críticas, como la capacidad de cruzar la barrera hematoencefálica en un corto período de tiempo con nuevos compuestos de plomo obtenidos en días, evitando la necesidad de costosos y prolongados experimentos de detección de alto rendimiento.
3. Insílico
Insilico es otra plataforma construida por la compañía de descubrimiento de fármacos de IA Insilico Medicine que utiliza enfoques DL para identificar objetivos de proteínas y diseñar nuevas moléculas de plomo con propiedades específicas. La plataforma utiliza modelos generativos profundos y técnicas de ML basadas en redes neuronales que producen nuevos objetos de datos.
La compañía desarrolló recientemente una plataforma llamada Aprendizaje de refuerzo tensorial generativo (GENTRL), que por primera vez combina dos modelos DL distintos. Un ejemplo es AI Imagination, que ‘imagina’ moléculas con propiedades específicas utilizando dos redes en competencia: un generador, que produce imágenes con características seleccionadas, y un discriminador, que prueba si la salida es verdadera o falsa. Una vez que se identifica un objetivo, los científicos utilizan estos algoritmos DL para diseñar estructuras moleculares con las propiedades físicas y químicas deseadas.
4. Ligando expreso
Ligand Express es una plataforma basada en la nube de la empresa Cyclica, con sede en Toronto, que proporciona una plataforma integrada innovadora basada en la nube y aumentada por IA para el diseño de fármacos, perfiles fuera del objetivo, enlaces de biología del sistema, conocimientos de farmacogenómica estructural y reutilización de fármacos basada en polifarmacología. En la plataforma, los fármacos de molécula pequeña se comparan con depósitos de proteomas para determinar perfiles polifarmacológicos.
Identifica objetivos proteicos en función de la estructura, al mismo tiempo que determina los efectos del fármaco sobre estos objetivos. El enfoque se basa en un marco DL. Se puede utilizar para identificar interacciones farmacológicas no deseadas, reducir los efectos tóxicos, identificar oportunidades de reutilización y generar nuevos conocimientos sobre los mecanismos de la enfermedad en un período más corto. Recientemente integraron el motor ML POEM, que proporciona una mejor comprensión de la farmacocinética y la toxicología para predecir el comportamiento de los posibles fármacos candidatos.
5. BERG
BERG es una plataforma de biología interrogativa basada en IA que combina la biología del paciente y el análisis basado en IA para abordar las diferencias entre entornos sanos y enfermos. Creada por la empresa biofarmacéutica BERG, con sede en Boston, centrándose en un enfoque basado en la biología para el descubrimiento terapéutico, la plataforma utiliza datos de salud de la población de pacientes, con la intención de promover un descubrimiento y desarrollo de tratamientos más rápidos y tratamientos de precisión más efectivos. La biología del paciente impulsa los resultados de la plataforma, guiando el descubrimiento y desarrollo de medicamentos, diagnósticos y aplicaciones de atención médica.
6. Núcleo de empalme
SpliceCore es una plataforma de descubrimiento de fármacos basada en la nube de Envisagenics, una empresa de biotecnología con sede en Nueva York, que aplica IA a la secuencia genética de los pacientes para descubrir nuevas terapias. La plataforma de descubrimiento patentada SpliceCore utiliza datos de ARN de pacientes para acelerar la I+D en terapias y puede identificar nuevos objetivos de ácido ribonucleico (ARN) y diseñar nuevos fármacos para corregir errores de empalme de ARN en cáncer y enfermedades genéticas.
7. NuMedii
La tecnología Big Data predictiva de NuMedii permite descubrir nuevos usos para medicamentos con una mayor probabilidad de desarrollo clínico exitoso. Descubre y elimina los riesgos de nuevos medicamentos efectivos al traducir su tecnología predictiva de Big Data en terapias con una mayor probabilidad de éxito terapéutico. Utiliza cientos de millones de puntos de datos humanos, biológicos, farmacológicos y clínicos sin procesar. Integra estos datos con algoritmos basados en redes para descubrir conexiones entre fármacos y enfermedades y biomarcadores que predicen la eficacia.